根据http://scikit-learn.org/stable/modules/generated/sklearn.svm.svc.html我阅读：
"适合时间的复杂性与样品数量相比，这使得很难用超过几个10000个样本扩展到数据集。"
我目前有350,000个样本和4,500堂课，这个数字将进一步增长到1-200万个样本和10k 类。
我的问题是我的内存不足。当我只使用少于1000堂课的200,000个样本时，所有这些都可以正常工作。
有没有一种方法可以用SVM使用MiniBatches？我看到存在Minibatchkmeans，但我认为它不适合SVM？
欢迎任何输入！
我在回答这个问题时提到了这个问题。
您可以将大型数据集分成可以由SVM算法安全消耗的批量，然后分别找到每个批次的支持向量，然后在所有支持向量的数据集中构建一个由此产生的SVM模型，该模型由所有支持向量组成，这些支持向量在所有的支持向量中都发现了所有支持的向量。批次。
同样，如果在您的情况下不需要使用内核，则可以使用Sklearn的SGDClassifier，该SGDClassifier实现了随机梯度下降。默认情况下，它适合线性SVM。